В течение четырех лет мы превращаем прогнозы пожизненной ценности клиентов в сигналы для ставок для приложений по подписке и брендов электронной коммерции. Мы работаем с Meta над её оптимизацией прогнозируемой пожизненной ценности (pLTV) с 2024 года, проходя этапы альфа- и бета-тестирования, а также выступали на воркшопе Meta по pLTV в Лондоне в сентябре. Функция стала доступна всем рекламодателям в июле, и уже более десятка наших клиентов запустились или проходят процесс онбординга. Большую часть того, о чем пойдет речь ниже, мы усвоили на собственном горьком опыте.
Продаете через веб-чекаут? В этом случае Meta видит каждую покупку на стороне сервера, привязанную к реальному заказу. Оптимизация pLTV строится на этом: Meta делает ставки на тех клиентов, которые, по вашим прогнозам, будут продолжать платить через шесть месяцев. На данный момент это работает только в веб- и Web2App-воронках, поэтому для приложений по подписке веб — это единственный путь.
Как работает оптимизация pLTV
Выберите одно событие конверсии на набор данных, обычно это Purchase (Покупка) или StartTrial (Начало пробного периода). Это ваш якорь. В течение семи дней отправляйте прогноз для каждого конвертированного клиента в виде отдельного события под названием AppendValue. Meta сопоставляет его с якорем и делает ставки на клиентов с наибольшей прогнозируемой ценностью. В Ads Manager установите цель максимизации ценности и выберите pLTV.
Начните с якорного события, на котором спотыкаются большинство команд
1. Закрепляйтесь за тем событием, на котором вы уже запускаете кампании. У нового пользовательского события нет истории, поэтому оно начинает работу «с нуля». В одном аккаунте три ячейки пользовательских событий собрали 85 оптимизационных событий за три недели, в то время как контрольное событие Purchase вышло из фазы обучения за считанные дни. Якорное событие также должно срабатывать один раз для каждого клиента.
2. Узнайте ID своего события до того, как начнете писать код. Meta связывает прогноз с якорем по event_id или order_id, и эта строка должна быть абсолютно одинаковой в обоих случаях. Это было нашей главной проблемой в текущем году: шлюз одного клиента генерировал случайный event_id для каждой покупки, а другой отправлял ID счета Stripe. Извлеките ID из полезной нагрузки Conversions API или логов шлюза, найдите его в своей базе данных и подтвердите совпадение в Test Events (Тестирование событий). Не можете воспроизвести? Вы не готовы.
3. Не добавляйте predicted_ltv к якорному событию. Если якорь передает predicted_ltv, Meta использует его и проигнорирует ваш AppendValue. Мы потратили на это несколько месяцев.
4. Отправляйте данные один раз и никогда не отправляйте нули. Meta воспринимает ноль как недействительное значение, а не как низкое, поэтому вместо этого пропускайте клиентов, не дотягивающих до вашего порога. В одном аккаунте удаление конвейера с нулевыми значениями и пути дублирующейся отправки позволило увеличить покрытие pLTV с 66% до 100%.
5. Семь дней начинают отсчет с момента отправки якоря, а не с момента покупки. Если вашей модели требуется пять дней, у вас осталось два. Meta заявляет, что более быстрая отправка пока не помогает, поэтому отправляйте наиболее точное значение и оставляйте запас времени на повторную попытку.
Проверьте совпадение до того, как начнете тратить бюджет
Events Manager выдает два показателя. Коэффициент сопоставления событий (Event join rate) — это отношение сопоставленных AppendValues к отправленным AppendValues. Покрытие стоимостью pLTV (pLTV value coverage) — это отношение сопоставленных AppendValues к конверсиям, приписанным Meta. Стремитесь к показателю сопоставления около 90% перед запуском и начинайте заранее: оба показателя имеют задержку примерно в шесть дней.
Затем заложите шесть недель: две на обучение Meta, одну на разгон и три на тесты. Показатель pLTV ROAS (окупаемость затрат на рекламу) в Ads Manager сравнивает только кампании с pLTV, поэтому оценивайте результаты теста по собственным данным о выручке. Когда ячейка побеждает, масштабируйтесь с помощью новых групп объявлений, а не за счет увеличения бюджета.
Проверьте соответствие требованиям заранее. Вам требуется не менее 100 конверсий в неделю, приписанных Meta, в течение четырех недель подряд, а также пять различных положительных значений, причем максимальное должно быть как минимум в три раза больше минимального. Каждое событие также должно содержать действующий код валюты ISO: в собственном примере Meta неверная валюта заблокировала 55% данных predicted_ltv.
Результаты на сегодняшний день
В альфа-тестировании Meta у 15 рекламодателей медианный показатель pLTV ROAS оказался на 9% выше, чем при обычной оптимизации конверсий. Для американского приложения по подписке, продающего через веб-воронку, наша pLTV-ячейка работала параллельно с обычным режимом (business as usual) на тех же креативах и с тем же бюджетом в течение пяти недель и привлекала на 17% больше плательщиков на один доллар при прогнозируемом 13-месячном ROAS на 12% выше, опережая конкурентов каждую неделю. С тех пор клиент удвоил бюджет. По результатам тестов приложений по подписке, завершенных с лета, ROAS обычно превышал контрольные показатели на 10–20%. Наш вывод? Оптимизация pLTV — это теперь то, с чего мы начинаем работу в каждом аккаунте Meta.
Меньше оттока на входе, больше удержанных клиентов
Ставки на прогнозируемую ценность сокращают отток еще до его начала: Meta привлекает меньше тех клиентов, которые склонны рано отменять подписку. Это никак не влияет на тех, кто уходит уже после оформления. Здесь на сцену выходят Paddle (восстановление платежей по проблемным картам) и Cancellation Flows (сценарии отмены для клиентов, которые собираются уйти). Поскольку модель pLTV учится на реально полученной выручке, каждое продление, возвращенное с помощью Retain, представляет собой ценность, которую модель видит, поэтому Meta перестает снижать ставки на клиентов, у которых случайно не проходят карты.
Paddle берет на себя оформление заказа, налоги и учет транзакций. Churney строит прогноз и добивается его валидации командой Meta pLTV перед запуском. Две бесплатные проверки до того, как вы выделите бюджет: проверка готовности данных на ready.churney.io примерно за пять минут покажет — исключительно по метаданным, — сможет ли ваше хранилище поддерживать pLTV на уровне пользователей, а тест прогнозируемости роста на gpt.churney.io покажет, ранжируют ли ранние доходы клиентов так же, как их долгосрочная ценность.
19 ноября Paddle присоединится к Churney в прямом эфире на часовой сеанс, посвященный инженерии сигналов, инкрементальным измерениям и тому, что на самом деле меняют LLM и агентные рабочие процессы: churney.io/pltv-live-session.












